【技术实现步骤摘要】
本专利技术涉及地表形变预测，尤其涉及一种融合卷积注意力与多影响因素的采空区地表形变预测方法。
技术介绍
1、地下煤炭矿产资源是国家和社会发展的重要能源支柱，对区域经济的繁荣也起着至关重要的作用。然而，地下煤矿开采过程中和关闭后形成的采空区会导致严重的地表形变，进而引发诸多地质灾害问题，如地面沉降、地裂缝和建筑物损坏等，这给矿区当地重要的地面建筑物（铁路、高速公路以及居民建筑等）和生态环境造成了潜在的威胁。因此，预测采空区引发的地表变形，对于保障矿区安全生产、生态防护与修复乃至矿产资源型城市可持续发展具有重要的现实意义。
2、insar（interferometric synthetic aperture radar，合成孔径雷达干涉测量）方法是近四十年来发展起来的新兴的空间大地测量技术，具有全天候全天时的对地观测能力、较大尺度的空间覆盖、较高的空间分辨率和一定的地表穿透能力，可以从遥感的宏观角度解读整个采空区地表形变的时间、空间演变规律，已经被广泛应用于城市沉降、矿区形变监测、滑坡监测等领域。insar方法包括d-insar（differential interferometricsynthetic aperture radar，差分干涉合成孔径雷达）方法和时序insar方法。其中，时序insar方法又包括sbas-insar（small baseline subset insar，小基线集insar）方法、ds-insar（distributed scatterer insar，分布式散射体insar）方法以及ms
3、目前基于深度学习方法的预测模型，被广泛应用于矿区的地表形变预测中。公布号为cn117633494a的专利技术专利，公开了一种基于awc-lstm模型的煤矿地表形变预测方法，基于时序insar方法获得了内蒙古自治区石拉乌素煤矿区的时间序列形变，采用自回归积分滑动平均模型（arima）得到线性形变预测结果，然后构建了卷积神经网络（cnn）-长短期记忆网络（lstm）模型得到非线性形变预测结果，通过将两种形变预测结果融合，最终得到了完整的煤矿区地表形变预测结果。然而，该专利中的预测模型缺乏对关键时间步或特征的足够关注，在捕捉较长的形变时间序列时的时间依赖性以及复杂变形特征时效果有限。此外，该专利也忽略了矿区地表形变与其他影响因素（比如，温度、降水等）之间的潜在关系，仅使用了insar形变单一变量作为预测模型的输入。根据相关研究表明，在形变预测时，使用影响地表形变的多个影响因素作为变量输入，能够有效提高最终的预测精度。另外，上述专利主要集中在矿区开采过程中的沉降预测，对于关闭矿区时由于地下水上涌导致的抬升形变情况并未考虑，即上述专利仅考虑了矿区因开采导致沉降这一单一形变模式，而并未考虑在复杂变形模式下（开采矿区和关闭矿区同时存在）的形变预测问题。
技术实现思路
1、有鉴于此，本专利技术创造旨在提供一种融合卷积注意力与多影响因素的采空区地表形变预测方法，以解决现有的基于深度学习方法的预测模型在预测地表形变时存在局限性的问题。
2、为达到上述目的，本专利技术创造的技术方案是这样实现的：
3、一种融合卷积注意力与多影响因素的采空区地表形变预测方法，包括如下步骤：
4、s1：获取涵盖采空区范围的相关数据；其中，相关数据包括sar影像数据、辅助数据和外部影响因素数据，sar影像数据包括升轨sar影像和降轨sar影像，辅助数据包括数字高程模型数据和精密轨道数据，外部影响因素数据包括地表温度数据和降水量数据；
5、s2：根据获取的涵盖采空区范围的相关数据构建采空区的基于温度、降水和insar形变的时间序列数据集；
6、s3：对采空区的时间序列数据集进行预处理，获得包括地表温度、降水量和形变这三个变量的样本序列数据集，并将样本序列数据集划分为训练集和测试集，根据训练集和测试集构建并训练基于卷积注意力机制与多变量输入的形变预测模型；其中，形变预测模型包括输入模块、特征提取模块、基于transformer编码器结构的编码器模块、基于bi-lstm结构的解码器模块和输出模块；输入模块用于将样本序列数据集输入到形变预测模型中，作为特征提取模块的输入；特征提取模块用于对输入的样本序列数据集进行时间维上的特征提取；编码器模块用于对提取的不同时序位置的特征进行嵌入式编码，并捕获特征之间的相关性；解码器模块用于对编码器模块输出的特征进行非对称解码与预测；输出模块用于输出预测的形变时间序列图；
7、s4：根据形变预测模型对采空区的未来形变进行预测。
8、进一步的，步骤s1具体包括如下步骤：
9、s11：划定采空区位置的矢量范围；
10、s12：根据采空区位置的矢量范围获取升轨sar影像、降轨sar影像、数字高程模型数据、精密轨道数据、地表温度数据和降水量数据。
11、进一步的，数字高程模型数据为alos world 3d-30m dem数据，精密轨道数据为pod精密定轨星历数据，地表温度数据和降水量数据分别为era5小时数据集中的2m温度小时数据和总降水小时数据。
12、进一步的，步骤s2具体包括如下步骤：
13、s21：采用分布式散射体insar方法分别对升轨sar影像和降轨sar影像进行处理，获得采空区的升轨解缠相位图和降轨解缠相位图；
14、s22：采用多维小基线insar方法对升轨解缠相位图和降轨解缠相位图进行处理，获得采空区的垂直向形变时间序列。
15、进一步的，步骤s21具体包括如下步骤：
16、s211：选择超级主影像，根据设定的时空基线阈值对所有影像建立主-从关系，将所有的从影像分别配准并重采样到超级主影像，然后进行干涉处理生成多幅干涉图；
17、s212：使用alos world 3d-30m dem数据移除干涉图中的地形相位；
18、s213：分别基于升轨sar图像的幅度信息和降轨sar图像的幅度信息，采用快速统计同质像素选择方法对各像素周围的同质像素的数量进行识别，将周围同质像素数量高于阈值的像素作为ds初步候选点，将周围同质像素数量低于阈值的像素作为ps初步候选点；
19、s214：在各个ds初步候选点和ps初步候选点上建立相干矩阵，采用相干矩阵特征值分解方法选取最大特征值对应的特征向量的相位作为优化相位，替代各个ds初步候选点和ps初步候选点的原相位；
20、s215：首先使用gacos工具对优化相位进行大气相位延迟校正，然后使用最佳拟合面去除优化相位中的残余线性趋势，之后对优化相位进行三维相位解缠，最终分别获得升轨解缠相位图和降轨解缠相位图。
21、进一步的，通过下式对优化相位的优化质量进行评价：
22、...
【技术保护点】
1.一种融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤S1具体包括如下步骤：
3.根据权利要求1所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，数字高程模型数据为ALOS WORLD 3D-30m DEM数据，精密轨道数据为POD精密定轨星历数据，地表温度数据和降水量数据分别为ERA5小时数据集中的2m温度小时数据和总降水小时数据。
4.根据权利要求3所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤S2具体包括如下步骤：
5.根据权利要求4所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤S21具体包括如下步骤：
6.根据权利要求5所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，通过下式对优化相位的优化质量进行评价：
7.根据权利要求4或5所述的融合卷积注意力与多影响因素的采空区地表形变预测方
8.根据权利要求1所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，对采空区的时间序列数据集进行预处理，获得包括地表温度、降水量和形变这三个变量的样本序列数据集，并将样本序列数据集划分为训练集和测试集的具体过程如下：
9.根据权利要求8所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，特征提取模块包括Conv1D层、BatchNorm层、ELU层和Softmax层，Conv1D层用于在时间维度上进行一维卷积操作，从训练集各历史时刻携带的时序信息中进行特征提取；BatchNorm层对Conv1D层的输出结果进行批量归一化运算；ELU层用于对BatchNorm层的输出进行ELU激活函数运算；Softmax层用于对ELU层的输出结果进行Softmax激活函数运算，获得训练集各历史时刻携带的时序信息相应的注意力权重；
10.根据权利要求5所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，对步骤S211生成的干涉图进行距离向为10、方位向为2的多视处理，以及对步骤S211生成的干涉图进行Goldstein滤波处理。
...【技术特征摘要】
1.一种融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤s1具体包括如下步骤：
3.根据权利要求1所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，数字高程模型数据为alos world 3d-30m dem数据，精密轨道数据为pod精密定轨星历数据，地表温度数据和降水量数据分别为era5小时数据集中的2m温度小时数据和总降水小时数据。
4.根据权利要求3所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤s2具体包括如下步骤：
5.根据权利要求4所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤s21具体包括如下步骤：
6.根据权利要求5所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，通过下式对优化相位的优化质量进行评价：
7.根据权利要求4或5所述的融合卷积注意力与多影响因素的采空区地表形变预测方法，其特征在于，步骤s22具体包括...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。